远离“大”数据误区

　　如今，大数据被互联网公司炒作成了非常时尚的概念，人力资源界也到了言必称大数据的地步，似乎只要贴上“大数据”三个字，瞬间就高大上了。但是，你真的理解什么是大数据管理么？

　　误区一：数据量越大越好

　　一提到大数据，许多人简单地从字面上理解数据的大小，认为大数据就是数据量很大的数据，只有海量的数据才能准确揭示事物分布规律。其实，这种认识非常片面，造成这种误区的原因，主要是缺乏统计学知识。

　　统计学有三大基石，即正态分布、大数定律和中心极限定理。其中大数定律解决了样本和总体的关系问题，其核心思想就是当样本量足够大的时候，样本的分布（均值）与总体的分布（真实均值）充分接近，也就是可以把二者看作是相等的。大数定律告诉我们，只要获取适合的数据样本量就可以把握住事物的分布规律，而不需要所谓的海量数据。关键是数据样本的代表性、数据的真实性有效性以及适合的样本量。

　　大数据的“大”包括两方面的含义，其一是指数据的数量，其二是指数据的种类。在获取数据手段技术不断创新、成本下降的情况下，可以增加指标库，把我们过去无法获得或获取成本较高的指标数据纳入到我们的数据库。比如说，过去人才库只有性别、年龄、学历、工龄等基本数据，现在我们可以通过测评获取一个人的能力、个性、动力等特征数据，这些数据能够帮助管理者实现更精准的人岗匹配，降低用人风险，优化人才结构，控制人力成本，提升人力资源的价值贡献度。

　　误区二：将信息电子化等同于数据化

　　随着计算机软硬件技术、互联网、云计算技术的发展，信息的采集、存储、处理的广度、速度、效率都有本质性的突破和飞跃。很多企业都将之前的人事档案进行电子化处理，通过无纸化办公、网络沟通，将信息纳入电子化管理系统。于是，很多人就想当然地以为，将这么多信息实现了电子化，就算进入人才管理大数据时代了。

　　所谓大数据，核心词是“数据”。所谓数据，就是以数字化方式存储的信息，简单地说就是量化的信息。在大数据时代中，真正有价值和意义的数据是可以被处理和技术分析的量化过的信息。而信息电子化，只是将信息由书面化、纸质化转变为存储在电脑、网络上的“电子信息”，这些信息并没有被量化处理。这种没量化的信息是不能被各种数据处理工具和技术进行分析的，它们对管理决策意义不大，不能称为真正意义上的数据，将信息电子化等同于数据化，本身也是大数据的理解误区。

　　误区三：获取了数据就等于数据管理

　　有些人认为，只要建立了信息化电子化的数据管理系统，把大量的数据收集、保存起来，需要的时候方便提取、查询，提高数据运用的工作效率，就算进入大数据管理时代了，很多号称大数据的管理系统目前也就处在这个阶段。其实，这个水平离真正的大数据管理还差很远。产生这种误区的主要原因是对大数据管理的本质目的认识不到位。

　　进行量化数字化管理的根本目的是要提升我们对事物认识的精准度，以便我们能够做出更精准的决策，提高管理的效能。一般来说，数据管理的应用可分三个层次，第一个层次是数量化地描述事物特征（统计学上称为变量）的分布规律。比如说，员工的责任心，可以给个体做定位（某位员工的责任心是强还是弱），也可以发现某类员工（如基层）责任性的整体分布情况。第二个层次是进行类别间的比较，分析差异的原因。还以责任心这个指标为例，通过统计分析，可比较基层管理者、中层管理者以及高层管理者三类人群在这个指标上的差异。第三个层次是探索事物特征之间的内在关系，发现事物的规律。比如，一个人的工作成效与他的教育水平、能力、个性、态度之间是什么样的关系呢？如果我们获得了一批人员在这些方面完整有效的数据，就可以用回归分析法在这些变量之间建立数学模型。如果要探索更大范围的事物规律，则需要更多变量的数据，建立更为复杂的数学模型来定义变量间的关系并根据数学模型进行预测，提高人事决策的精准度。

　　数据只是基本的原材料，好比烹饪的基础食材。要想制作出客人喜欢的可口的“饭菜”，需要对这些原材料进行加工处理，真正实现大数据管理亦如此。只有能熟练掌握统计学的原理、方法，运用统计分析工具对数据进行加工，才能得出准确可靠的结论。

　　现代统计学已经解决了数据分析和加工处理的理论和工具方法。专业分析工作可以由专业人士来做，但作为管理者，特别是人力资源工作者，还是要掌握一些统计学和测量学的基本知识，起码能够准确理解统计报告和统计分析所得出数据背后的真正含义。

　　如何进入人力资源管理的大数据时代

　　首先，企业需在技术和操作层面引入现代人才测评工具和技术，在人才的基础素质评价方面实现量化和标准化，建立起基础的人才数据库。

　　目前，企业人才数据库中已经量化的数据大多是一些人口统计特征的数据，如年龄、性别、学历、工龄、考勤和工资数据。这些数据能够进行分析的宽度和深度是有限的，应用性也不强。

　　当前企业人才数据库还存在以下缺陷：一是缺乏重要的人才评价数据，或者评价的信息没有数字化量化。比如人才的能力、素质、态度、品德、行为表现等等，基本上没有数据化，只有一些简单的定性判断。二是人才信息数据不全面、不连续、不完整，有些信息的真实性和有效性存在疑问。比如个人简历的信息就存在着夸大、不真实的情况，又比如，考核评价数据的模糊性，考评分数的趋同性（分数拉不开差距）等问题。人才的高流动性导致人才在不同企业里的数据不能共享使用，这些问题都制约着人才数据库的建设和使用。

　　人力资源管理要实现真正的大数据管理，必须以人才的大数据库为核心，其数据库的建设必须具备以下四个特征：

　　（1）定量化。一般情况下，我们直接获得的是非量化的信息，因此要对获取的信息进行量化处理，让信息库成为真正的数据库。

　　（2）标准化。事物的特征不同，获取数据的工具和方法不同，数据的性质是不同的，因此很多原始测量数据不能直接进行数学运算和统计分析，需要经过标准化的处理后才能进行。只有经过标准化处理的数据库才是真正有效的数据库。

　　（3）广泛性。数据采集要尽可能多一些观测指标，指标多能形成多变量的数据族，就可以进行多变量间的分析，找到多变量之间相互影响的关系，能够发现事物间的变化规律，实现大数据管理的核心目标。

　　（4）客观性。虚假数据的有害性是不言自明的，无论是否是故意造假。因此，要确保入库的数据是真实有效的。

　　其次，让管理层特别是高管层更新人才管理理念，让他们认识到人才数字化管理对企业长远发展的益处和对管理者日常管理的帮助，逐步建立起全面人才评价体系。可通过素质测评帮助他们在招聘中选择合适的人才，通过量化考评技术在考核中有效区分员工的业绩和表现，为绩效反馈和奖惩提供科学依据，让更多的管理者了解、理解人才数字化管理的帮助和益处，获得他们的认同和支持。

　　再次，在评价机制建立方面，引入社会化的独立第三方专业评价机构的工具技术和服务，特别是对一些关键人才的评价，以保证评价数据的科学性、客观性和有效性。

　　数据本身所反映的是事物的表层现象，只不过是以数量化编码的方式呈现给我们，这种数量化的编码给我们后续的数据分析处理提供了基础条件——这并不是我们建立人才数据库的最终目的。我们的根本目的是通过对数据的分析和处理，从表面的数据现象变化中掌握事物间的本质联系，以及事物运动变化发展的本质规律。不能以为有了大数据技术，我们就可以“偷偷懒”省去思考之苦。

　　文/苏永华